Bild von Autor | Leinwand

Wir verwenden große Sprachmodelle in vielen unserer täglichen Aufgaben. Diese Modelle wurden in Milliarden von On-line-Dokumenten und verschiedenen Datensätzen geschult, wodurch sie in der Lage sind, in menschlicher Sprache zu verstehen, zu verstehen und zu reagieren. Es werden jedoch nicht alle LLMs auf die gleiche Weise erstellt. Während die Kernidee ähnlich bleibt, Sie unterscheiden sich in ihren zugrunde liegenden Architekturen und diese Variationen haben erhebliche Auswirkungen auf ihre Fähigkeiten. Wie bei verschiedenen Benchmarks zu sehen ist Deepseek beispielsweise bei der Argumentation von Aufgaben hervorgeht, spielt Claude intestine in der Codierung und Chatgpt sticht im kreativen Schreiben auf.

In diesem Artikel werde ich Sie durch 7 beliebte LLM -Architekturen führen, um Ihnen einen klaren Überblick zu geben, alles in ebenso vielen Minuten. Additionally fangen wir an.

1. Bert

Papierverbindung: https://arxiv.org/pdf/1810.04805
Bert wurde 2018 von Google entwickelt und markierte eine signifikante Verschiebung des Verständnisses der natürlichen Sprache, indem er eine tiefe bidirektionale Aufmerksamkeit in die Sprachmodellierung einführte. Im Gegensatz zu früheren Modellen, die Textual content hyperlinks nach rechts oder nach rechts nach hyperlinks lesen, verwendet Bert einen Transformator-Encoder, um beide Richtungen gleichzeitig zu berücksichtigen. Es wird unter Verwendung von zwei Aufgaben trainiert: maskierte Sprachmodellierung (Vorhersage zufällig maskierter Wörter) und Vorhersage des nächsten Sentenz (festzustellen, ob ein Satz logisch einem anderen folgt). Architektonisch ist Bert in zwei Größen erhältlich: Bert -Foundation (12 Schichten, 110 m Parameter) und Bert Massive (24 Schichten, 340 m Parameter). Die Struktur hängt ausschließlich auf Encoder -Stapeln ab und enthält spezielle Token wie (CLS) den vollen Satz darstellen und (Sep) zwei Sätze trennen. Sie können es für Aufgaben wie Stimmungsanalyse, Beantwortung von Fragen (wie Kader) und mehr feinstimmen. Es battle die erste seiner Artwork, die die volle Bedeutung von Sätzen wirklich verstanden hat.

2. GPT

Papierverbindung (GPT 4): https://arxiv.org/pdf/2303.08774
Die Familie GPT (Generative PreArained Transformator) wurde von OpenAI eingeführt. Die Serie begann mit GPT-1 im Jahr 2018 und hat sich bis 2023 zu GPT-4 entwickelt. Die neueste Model GPT-4O, die im Mai 2024 veröffentlicht wurde und multimodale Funktionen zeigt und sowohl Textual content als auch Bilder bearbeitet. Sie werden in sehr großen Textkorpora mit einem Normal-Modellierungsziel für die nächsten Vorhersage von Subsequent-Token Prediction ausgebildet: Bei jedem Schritt prognostiziert das Modell das nächste Wort in einer Sequenz mit allen vorherigen Wörtern. Nach dieser unbeaufsichtigten Vorausbildung kann dasselbe Modell bei bestimmten Aufgaben fein abgestimmt werden oder mit minimalen zusätzlichen Parametern auf Null-/wenige Shot-Weise verwendet werden. Das Decoder-Design bedeutet, dass GPT im Gegensatz zu Berts bidirektionalem Encoder nur zuvor an früheren Token teilnimmt. Was bei der Einführung bemerkenswert battle, battle die schiere Skala und Fähigkeit von GPT: Als jede aufeinanderfolgende Era (GPT-2, GPT-3) größer wurde, zeigte das Modell eine sehr fließende Textgenerierung und nur wenige Lernfähigkeiten, die die Schaffung der Lernfähigkeit des Modells zeigten, um die Festlegung des Modells „Pre-Prepare und Eingabeaufforderung/Feinabstimmung“ Paradigma für große Sprachmodelle. Sie sind jedoch proprietär, wobei der Zugang typischerweise über APIs bereitgestellt wird, und ihre genauen Architekturen, insbesondere für jüngste Versionen, sind nicht vollständig offengelegt.

3. Lama

Lama 4 Weblog -Hyperlink: https://ai.meta.com/weblog/llama-4-multimodal-intelligence/
Paper Hyperlink (Lama 3): https://arxiv.org/abs/2407.21783
LLAMA, entwickelt von Meta AI und erstmals im Februar 2023 veröffentlicht, ist eine Familie von Open-Supply-Decoder-Transformatormodellen. Es reicht von 7 bis 70 Milliarden Parametern, wobei die neueste Model, LLAMA 4, die im April 2025 veröffentlicht wurde. Wie GPT, verwendet LLAMA eine nur Transformator-Decoder-Architektur (jedes Modell ist ein autoregressiver Transformator), aber mit einigen architektonischen Töglichkeiten. Beispielsweise verwendeten die ursprünglichen Lama -Modelle die Swiglu -Aktivierung anstelle von Gelu, Rotationspositionseinbettungen (Seil) anstelle von festen und anstelle der Schichtnorm. Die Lama-Familie wurde in mehreren Größen von 7B bis 65B Parametern in LLAMA1 veröffentlicht, später in Llama3 noch größer, um groß angelegte Modelle zugänglicher zu machen. Insbesondere trotz relativ bescheidener Parameterzahlen haben diese Modelle wettbewerbsfähig mit viel größeren Zeitgenossen durchgeführt: Meta berichtete, dass das 13B-Modell von Llama OpenAs 175B GPT-3 auf vielen Benchmarks übertraf, und sein 65B. Lamas offene (obwohl erforschungsbeschränkte) Veröffentlichung brachte eine umfassende Nutzung der Gemeinschaft hervor; Die wichtigste Neuheit bestand darin, ein effizientes Coaching im Maßstab mit offenerem Zugang zu Modellgewichten zu kombinieren.

4. Palm

Palm 2 Technischer Bericht: https://arxiv.org/abs/2305.10403
Papierverbindung (Palm): https://arxiv.org/pdf/2204.02311
Palm (Pathways -Sprachmodell) ist eine Reihe von großsprachigen Modellen, die von Google Analysis entwickelt wurden. Die ursprüngliche Palme (angekündigt 2022) battle ein 540-Milliarden-Parameter, Decodierer-Transformator und Teil des Google Pathways-Methods. Es wurde auf einem hochwertigen Korpus von 780 Milliarden Token und in Tausenden von TPU-V4-Chips in der Infrastruktur von Google geschult, wobei die Parallelität zur Erzielung einer hohen Hardwareauslastung verwendet wird. Das Modell hat auch multiquerziell Aufmerksamkeit, um die Anforderungen an die Speicherbandbreite während der Inferenz zu verringern. Palm ist bekannt für seine Wenige Schüsse LernfunktionenAufgrund seiner riesigen und vielfältigen Trainingsdaten, die Webseiten, Bücher, Wikipedia, Nachrichten, Github -Code und Social -Media -Gespräche umfassen, intestine bei neuen Aufgaben mit minimaler Beispiele abschneiden. Palm 2, der im Mai 2023 angekündigt wurde, verbesserte mehrsprachige, argumentations- und codierungsfunktionen, antretende Anwendungen wie Google Bard und Workspace AI -Funktionen.

5. Gemini

Gemini 2.5 Weblog: https://weblog.google/know-how/google-deepmind/gemini-model-tinking-updates-march-2025/
Papierverbindung (Gemini 1.5): https://arxiv.org/abs/2403.05530
Papierverbindung (Gemini): https://arxiv.org/abs/2312.11805
Gemini ist die LLM-Familie der nächsten Era von Google (von Google DeepMind und Google Analysis), die Ende 2023 eingeführt wurde. Gemini-Modelle sind nativ multimodal, was bedeutet, dass sie von Grund auf für Textual content, Bilder, Audio, Video und sogar Code in einem Modell ausgelegt sind. Wie Palm und GPT basiert Gemini auf dem Transformator, aber die wichtigsten Merkmale umfassen eine large Skalierung, Unterstützung für extrem lange Kontexte und (in Gemini 1.5) einer Mischung aus Experten (MOE) für die Effizienz. Zum Beispiel verwendet Gemini 1.5 („Professional“) spärlich aktivierte Expertenschichten (Hunderte von Experten Sub-Networks mit nur wenigen aktiven professional Eingabe), um die Kapazität ohne proportionale Berechnungskosten zu steigern. Die im März 2025 gestartete Gemini 2.5 -Serie basiert auf dieser Stiftung mit noch tieferen „Denken“ -Funktionen. Im Juni 2025 veröffentlichte Google Gemini 2.5 Flash und Professional als stabile Modelle und die vorschauende Flash-Lite, die kosteneffizienteste und schnellste Model, die für Aufgaben mit hohem Durchsatz optimiert wurde und gleichzeitig das millionengerichtete Kontextfenster und die Toolintegrationen wie die Such- und Codeausführung unterstützt. Die Gemini -Familie gibt es in mehreren Größen (Extremely, Professional, Nano), sodass sie von Cloud -Servern bis hin zu mobilen Geräten geleitet werden kann. Die Kombination aus multimodaler Vorab- und MOE-Foundation-Skalierung macht Gemini zu einem flexiblen, hochleitenden Fundamentmodell.

6. Mistral

Papierverbindung (Mistral 7b): https://arxiv.org/abs/2310.06825
Mistral ist ein französisches KI-Startup, das 2023 seine ersten LLMs veröffentlichte. Sein Flaggschiff-Modell Mistral 7b (September 2023) ist ein Decodierermodell von 7,3 Milliarden Parametern. Architektonisch ähnelt Mistral 7b einem Modell im GPT-Stil, beinhaltet jedoch Optimierungen für Inferenz: Es verwendet die Aufmerksamkeit von Gruppierterfragen (GQA), um die Selbstbekämpfung und die Aufmerksamkeit zu beschleunigen, um längere Kontexte effizienter zu behandeln. In Bezug auf die Leistung übertraf Mistral 7B die Lama 2 13b von Meta und lieferte sogar starke Ergebnisse gegenüber 34B -Modellen, während sie viel kleiner waren. Mistral AI veröffentlichte das Modell unter einer Apache 2.0 -Lizenz und stellte es frei zur Verfügung. Die nächste Hauptveröffentlichung battle Mixtral 8 × 7B, ein spärliches Modell der Mischung aus Experten (MOE) mit acht 7 B-Parameter-Expertennetzwerken professional Schicht. Dieses Design half Mixtral, GPT -3.5 und Lama 2 70b bei Aufgaben wie Mathematik, Codierung und mehrsprachigen Benchmarks zu Match oder schlug. Im Mai 2025 veröffentlichte Mistral Mistral Medium 3, ein proprietäres mittelgroßes Modell für Unternehmen. Dieses Modell liefert über 90% der Punktzahl von teureren Modellen wie Claude 3.7-Sonett für Normal-Benchmarks, während sie die pro-Fusionskosten dramatisch reduzieren (ungefähr 0,40 USD in vs $ 3,00 für Sonnet). Es unterstützt multimodale Aufgaben (Textual content + Bilder), professionelles Denken und wird über eine API oder für die Bereitstellung von On-Preme für nur vier GPUs angeboten. Im Gegensatz zu früheren Modellen ist Medium 3 jedoch geschlossen, was die Kritik der Gemeinschaft dazu veranlasst, dass Mistral sich von seinem Open-Supply-Ethos entzieht. Kurz darauf führte Mistral im Juni 2025 das Magistral ein, das sich dem ersten Modell ausdrücklich für ein explizites Denken widmete. Die kleine Model ist unter Apache 2.0 geöffnet, während das Magistral-Medium nur Unternehmen ist. Das Magistral Medium erzielte bei Aime2024 73,6%, wobei die kleine Model 70,7% erzielte und in mehreren Sprachen starke mathematische und logische Fähigkeiten zeigte.

7. Deepseek

Paper Hyperlink (Deepseek-R1): https://arxiv.org/abs/2501.12948
Deepseek ist eine chinesische KI-Firma (Spin-off von Excessive-Flyer-KI, gegründet 2023), die große LLMs entwickelt. Die jüngsten Modelle (wie Deepseek V3 und Deepseek-R1) verwenden eine sehr spärlich aktivierte Mischung der Experten-Transformatorarchitektur. In Deepseek V3/R1 verfügt jede Transformatorschicht über Hunderte von Experten-Unternetzwerken, aber nur wenige werden professional Token aktiviert. Dies bedeutet, dass das Modell anstatt alle Teile des Modells gleichzeitig auszuführen, Hunderte von Expertennetzwerken und aktiviert nur einige (wie 9 von 257), je nachdem, was für jede Eingabe benötigt wird. Dies ermöglicht Deepseek, eine riesige Gesamtmodellgröße (über 670 Milliarden Parameter) zu haben und während jeder Antwort nur etwa 37 Milliarden zu verwenden, was es viel schneller und billiger macht als ein dichter Modell mit ähnlicher Größe. Wie bei anderen modernen LMS verwendet es Swiglu -Aktivierungen, Rotationseinbettungen (Seile) und fortschrittliche Optimierungen (einschließlich experimenteller FP8 -Präzision während des Trainings), um es effizienter zu gestalten. Mit diesem aggressiven MOE -Design können Deepseek zu niedrigeren Rechenkosten sehr hohe Fähigkeiten erreichen (vergleichbar mit viel größeren dichten Modellen). Die Modelle von Deepseek (veröffentlicht unter offenen Lizenzen) erregten die Aufmerksamkeit für konkurrierende Modelle wie GPT-4 in mehrsprachiger Era und Argumentation, während sie gleichzeitig die Anforderungen des Trainings und der Inferenzressourcen erheblich reduzierten.

Kanwal Mehreen Kanwal ist ein Ingenieur für maschinelles Lernen und technischer Schriftsteller mit einer tiefgreifenden Leidenschaft für die Datenwissenschaft und die Schnittstelle von KI mit Medizin. Sie hat das eBook „Produktivität mit Chatgpt maximieren“. Als Google -Era -Gelehrte 2022 für APAC setzt sie sich für Vielfalt und akademische Exzellenz ein. Sie wird auch als Teradata -Vielfalt in Tech Scholar, MITACS Globalink Analysis Scholar und Harvard Wecode Scholar anerkannt. Kanwal ist ein leidenschaftlicher Verfechter der Veränderung, nachdem er Femcodes gegründet hat, um Frauen in STEM -Bereichen zu stärken.

Wenn KI-Anwendungen in Echtzeit zunehmend auf strukturierte Daten angewiesen sind, werden MCP-Server immer wichtiger. Diese Server bieten die Möglichkeit, LLMs mit Echtzeitdatenströmen so zu verbinden, dass KI-Systeme in Bezug auf aktuelle, kontextbezogene Daten begründen können. Es gibt mehrere Optionen im Gewerberaum; Open-Supply-Optionen gewinnen jedoch an Traktion, da sie leichter zu prüfen, sich anzupassen und häufig mit größerer Unterstützung in der Gemeinschaft zu versorgen. Diese Instruments eignen sich hervorragend für Entwickler, die KI -Agenten, Copiloten oder Assistenten aufbauen, die sich auf einen bestimmten Bereich konzentrieren. In diesem Weblog werden wir uns überlegen, was MCP -Server sind und welche verschiedenen Typen.

MCP -Server und ihre Funktionen

Ein MCP-Server oder ein MCP-Server ist ein Servertyp, der Echtzeit-, strukturierte und relevante Informationen an liefern kann Großspracher Modelle (LLMs) oder AI -Agenten auf Schlussfolgerung oder wie sie Aufgaben ausführen. Diese Server fungieren als Kontextserver und ergänzen LLMs mit neuen verfügbaren externen strukturierten Informationen, über die die LLM nicht trainiert wurde.

Erfahren Sie mehr über MCP -Server hier.

Schlüsselmerkmale

Schauen wir uns nun die Funktionen des MCP -Servers an, die es effizient machen.

1. Werkzeugaufruf: MCP -Server enthüllen Funktionen oder Instruments, die von LLMs aufgerufen werden können, um bestimmte Aufgaben auszuführen, z. B. eine Datenbank abzufragen oder eine Nachricht zu senden. Diese Instruments werden standardisiert definiert und können von KI -Modellen verwendet werden.
2. Ressourcenzugriff: Sie bieten Zugriff auf statische oder dynamische Daten, die als „Ressourcen“ bezeichnet werden und die LLMs abfragen können, um Daten zu extrahieren, die in Antworten enthalten sind. Auf diese Weise können Modelle Antworten bereitstellen, die die aktuellsten Daten verwenden, um eine verbesserte Genauigkeit und Relevanz zu gewährleisten
3. Eingabevorlagen: MCP-Server können vordefinierte Eingabeaufforderungen bereitstellen, um LLMs bei der Interaktion mit Instruments sowie Ressourcen zu unterstützen. Diese Vorlagen können auch dazu beitragen, Interaktionen zu standardisieren und die Konsistenz der Ausgänge der KI zu verbessern.
4. Fähigkeitserdeckung: Sobald eine Verbindung hergestellt wurde, können MCP -Purchasers Server anrufen, um herauszufinden, welche Instruments, Ressourcen und Eingabeaufforderungen über den dynamischen Entdeckungsprozess entdeckt werden können. AI -Anwendungen können sich an verschiedene MCP -Server anpassen, ohne manuell eingerichtet werden zu müssen.
5. Versatile Kommunikationsprotokolle: MCP unterstützt viele Möglichkeiten zur Kommunikation, einschließlich Standardeingabe/Ausgabe für Integrationen mit lokalen Ressourcen. Dies kann lokale Dienste und HTTP mit Server-Despatched-Ereignissen (SSE) für Distant-Verbindungen umfassen. Dies stellt sicher, dass alle möglichen Bereitstellungsumgebungen untergebracht sind.

Beliebte MCP -Server

Jetzt wissen Sie, was MCP -Server sind und wie sie Funktionen sind. Lassen Sie uns einige beliebte erkunden:

Dateisystem MCP Server

Der Dateisystem MCP Der Server bietet AI -Assistenten eine Möglichkeit, sicher mit Ihrem Dateisystem zu interagieren, das lokal oder distant ausgeführt wird. Es bietet AI -Assistenten eine kontrollierte Möglichkeit, mit Dateien und Verzeichnissen zum Lesen, Schreiben, Bearbeiten oder Organisieren von Dateien zu interagieren. Es ist excellent für Aktivitäten, die Codierungsassistenten, Automatisierung und Dokumentenverwaltung betreffen.

Merkmale:

• Zu den Dateiinteraktionen gehören: Liste, Lesen, Schreiben, Anhängen, Löschen
• Bearbeiten Sie Dateien mit dem Musterabgleich
• Zu den Interaktionen für Verzeichnisse gehören: Erstellen, Liste, Verschieben, Löschen
• Suchen Sie nach Dateien und Verzeichnissen mit Namen oder Muster nach Dateien und Verzeichnissen
• Fetch -Dateimetadaten (Größe, Zeitstempel)

Github MCP Server

Der Github MCP Server Bietet eine Schnittstelle für KI -Anwendungen, die direkt mit GitHub interagieren können, sodass die Anwendung Repositories lesen und aktualisieren, Code, Probleme und Anfragen bearbeiten und allgemeine Entwicklungsworkflows automatisieren können.

Merkmale:

• Weitere wichtige Funktionen sind:
• Aufzählende Repositorys und Zweige
• Lesen und Aktualisieren von Dateien in Repositories
• Erstellen und Zusammenführen von Zuganfragen und Problemen
• Suchen Sie nach Code- und Repository -Metadaten

Slack MCP Server

Der Slack MCP Server Ermöglicht AI-Agenten, sich mit Slack-Arbeitsbereichen zu versetzen und zu automatisieren, damit sie in Echtzeit kommunizieren, Benutzer benachrichtigen oder Workflows in Groups auslösen können.

Merkmale:

• Senden und empfangen Nachrichten in Kanälen oder Direktnachrichten
• Suchen Sie in Kanälen und Nachrichtenverlauf
• Benachrichtigungen und Erinnerungen automatisieren
• Verwalten Sie Kanäle und Benutzer
• OAuth-basierte Authentifizierung, um sicherzustellen, dass der Zugriff sicher ist

Google Drive MCP Server

Der Google Drive MCP Server Ermöglicht AI -Assistenten, sich sicher eine Verbindung zum Google Drive herzustellen, damit sie Dokumente und Dateien in der Cloud suchen, lesen und organisieren können.

Merkmale:

• Pay attention, lesen und schreiben Sie Dateien und Ordner
• Suchen Sie nach Dokumenten mit Namen oder Inhalt nach Dokumenten
• Organisieren Sie Dateien in Ordner
• Verwalten Sie die Freigabe und Berechtigungen
• Verwenden Sie OAuth für die Privatsphäre der Benutzer des Benutzers

Docker MCP Server

Docker MCP Server Erleichtert die KI-gesteuerte Verwaltung für Docker-Container, -Bilder und -Benichte und ermöglicht DevOps-Automatisierung und Infrastrukturorchestrierung.

Merkmale:

• Pay attention, starten Sie, stoppen Sie und entfernen Sie Container.
• Bilder und Bände verwalten,
• Zugriff auf Protokolle und Containerzustand,
• Stapel bereitstellen und aktualisieren,
• Sicherer, genehmigter Zugang.

Verwirrung MCP Server

Der Verwirrung MCP Server verbindet AI-Assistenten mit der Sonar-API aus Verwirrung, was viel einfacher und aktuelles Net-Such- und Informationen für Forschungsaufgaben und dynamische Wissensaufgaben ermöglicht.

Merkmale:

• Suchen Sie das Net stay
• Lassen Sie Antworten zusammengefasst oder mit der Quelle
• Holen Sie sich aktuelle Nachrichten und Fakten
• Integrieren Sie Ergebnisse in KI -Arbeit
• Klarheit für das API -Schlüsselmanagement

Puppenspieler MCP Server

Der Puppenspieler MCP Server Ermöglicht AI -Agenten, Browseraufgaben robotisch zu automatisieren, mit Web sites zu interagieren und Webdaten über kopfloses Browser -Skripten zu extrahieren.

Merkmale:

• Automatisiert das Shopping; Füllt Formulare aus
• Kratzen Sie den Inhalt und die Metadaten einer Webseite ab
• Machen Sie Screenshots oder generieren Sie PDFs von Webseiten
• Simulation der Benutzerinteraktionen (Klicks, Tippen)
• Sichere, sandboxte Ausführungsumgebung

Wenn Sie mehr erkunden möchten, können Sie dies besuchen Github -Seite Um mehr nützliche MCP -Server zu finden.

Praktisch mit MCP-Servern

Jetzt, da wir einige der beliebten MCP -Server kennengelernt haben, sehen wir sie in der Praxis, wenn sie in Claude Desktop integriert sind.

Wir werden den MCP -Server des Dateisystems verwenden, um festzustellen, wie viele Ordner auf meinem Desktop, dem Github MCP -Server, sich befinden, um die Repositories auf meinem GitHub -Konto zu erhalten, und es auch verwenden, um zur Vidhya -Weblog -Webseite von Analytics zu wechseln.

Abschluss

Beliebte MCP -Server entwickeln sich schnell als entscheidende Komponente, um schlauer, reaktionsschnelle zu erzeugen Ai Anwendungen durch Verbinden von Modellen mit lebenden und strukturierten Daten. Open Supply -Server bieten die größte Flexibilität hinsichtlich der Verwendung und Verbindung der Prozesse mit den Modellen und profitieren gleichzeitig von einem starken Group -Assist -Netzwerk. Der Vorteil eines MCP -Servers besteht darin, dass, unabhängig von der Anwendungsfall, ein GPT -KI -Assistent, der mit Dateien interagiert, einen Slack -Kanal automatisiert oder Reside -Daten aus dem Web zieht, eine bessere Erfahrung und eine einfache Möglichkeit haben, eine KI in einen Reside -und relevanten Kontext zu gründen. Wenn sich AI weiter anpasst und wächst, ist unsere Einführung von MCP -Servern der Schlüssel, um KI nicht nur nützlich, sondern auch kontextbezogen und reaktionsschnell zu machen.

In der heutigen KI-Landschaft ist die Fähigkeit, externes Wissen über die ursprünglich trainierten Daten hinaus in Modelle zu integrieren, bahnbrechend. Dieser Fortschritt wird vorangetrieben durch Augmented Technology abrufenkurz RAG. Mit RAG können KI-Systeme dynamisch auf externe Informationen zugreifen und diese nutzen. Es sind verschiedene Instruments entstanden, um sowohl die Integrations- als auch die Erweiterungsprozesse zu vereinfachen und so effiziente und skalierbare RAG-Anwendungen zu erstellen. In diesem Artikel werden wir einige der beliebtesten Instruments für RAG-Anwendungen untersuchen und wie sie die Zukunft der KI prägen.

Was ist RAG und wie funktioniert es?

Retrieval Augmented Technology (RAG) ist ein KI-Ansatz, der Retrieval-basierte Systeme mit kombiniert generative Modelle. Basierend auf einer Abfrage ruft das RAG-Modell zunächst relevante Informationen aus externen Wissensquellen wie Datenbanken, Dokumenten und Inhaltsrepositorys ab. Diese abgerufenen Informationen werden verwendet, um die Eingabe in das generative Modell zu ergänzen, das dann eine genauere und kontextbezogenere Antwort generiert.

Stellen Sie sich zum Beispiel vor, Sie möchten neue Kleidung kaufen, die zu Ihrem Stil aus früheren Einkäufen passt.

1. Finden Sie Ihren vorherigen Einkauf: Das System überprüft Ihren Einkaufsverlauf, um die Particulars der Kleidung abzurufen, die Sie zuvor gekauft haben, wie z. B. Typ, Marke, Farbe, Muster und Größe.
2. Verstehen Sie Ihren Stil: Das System analysiert dann Ihre bisherigen Entscheidungen, um Ihre Modepräferenzen zu verstehen.
3. Generieren Sie personalisierte Vorschläge: Anschließend durchsucht es die aktuelle Kollektion nach Artikeln, die Ihrem Geschmack entsprechen, und zeigt Artikel an, die Ihrem vorherigen Kauf ähneln. Dieser Ansatz trägt dazu bei, sicherzustellen, dass die Vorschläge sowohl related als auch aktuell sind.

Spezialisierte Instruments erleichtern die Erstellung von RAG-Anwendungen für bestimmte Anwendungsfälle, von der Dokumentensuche bis zur Informationssuche in Movies. Zu den beliebtesten Instruments für RAG-Anwendungen gehören:

1. NotebookLM (von Google)
2. ChatPDF
3. HinweisGPT.io
4. Öffnen Sie Pocket book LM (Open Supply)
5. Fragen Sie Ihr PDF
6. PDF.ai
7. ChatDoc
8. Chatten

Vergleichen wir zunächst diese Instruments und untersuchen wir in der folgenden Tabelle die Aufgaben, die jedes Instrument ausführen kann.

Egal, ob Sie mit textbasierten RAG-Systemen arbeiten oder Visionbasierte AnwendungenDiese Instruments bieten die Bausteine ​​für die Erstellung effektiver, leistungsstarker Lösungen im sich entwickelnden Bereich der KI.

Sehen wir uns nun die drei beliebtesten Instruments für RAG-Anwendungen an.

1. NotebookLM

NotebookLM ist ein anpassbares RAG-Instrument, das auf Googles LLM basiert. Gemini 1.5 Professional. Dadurch kann das Modell Inhalte basierend auf den bereitgestellten Informationen generieren und so das Risiko von Halluzinationen und irrelevanten Reaktionen verringern. Die Eingabe kann aus verschiedenen Dateitypen stammen, darunter PDFs, Google Docs usw YouTube Movies. Das Modell kann Zusammenfassungen erstellen, Fragen beantworten und Audioinhalte generieren und so spannende Gespräche und personalisierte Podcasts erstellen.

Probieren wir NotebookLM aus. In diesem Beispiel werde ich versuchen, eine Zusammenfassung des Romans „Stolz und Vorurteil“ zu erstellen und mir das Instrument zur Beantwortung einiger Fragen zum Buch besorgen.

SCHRITT 1: Anmelden

Um auf NotebookLM zuzugreifen, besuchen Sie NotebookLM. Wählen Sie in der Mitte des Bildschirms aus Probieren Sie NotebookLM aus. Melden Sie sich mit Ihrer E-Mail-Adresse an und klicken Sie Erstellen um ein neues Notizbuch zu beginnen.

SCHRITT 2: Quellen hinzufügen

Fügen Sie die relevanten Ressourcen hinzu, mit denen das Instrument arbeiten soll. Für das Hinzufügen von Ressourcen stehen drei Optionen zur Verfügung:

• Google Drive: Laden Sie Google-Folien und -Dokumente hoch.
• Hyperlink: Fügen Sie Web site-URLs oder YouTube-Videolinks hinzu.
• Textual content einfügen: Kopieren Sie den Textual content und fügen Sie ihn direkt als Ihre Ressource ein.

Beachten Sie, dass das Modell mit bis zu 50 Ressourcen innerhalb eines einzelnen Notebooks interagieren kann.

Beispiel: Um eine Zusammenfassung des Romans „Stolz und Vorurteil“ zu erhalten, können Sie entweder das PDF des Romans hochladen oder den URL-Hyperlink des E-Books einfügen.

Ich werde das verwenden URL-Hyperlink des E-Books, um die Zusammenfassung zu erstellen.

Nach dem Hochladen generiert das Modell schnell eine kurze Zusammenfassung.

SCHRITT 3: Stellen Sie Ihre Frage

Sie können Ihre Fragen unten auf dem Bildschirm eingeben, um anhand der bereitgestellten Informationen Antworten zu erhalten. Sie können auch mit mehreren Quellen interagieren, indem Sie einfach auf klicken + Image auf dem Bildschirm und Hinzufügen weiterer Ressourcen.

SCHRITT 4: Podcast generieren

Um einen Podcast der Zusammenfassung zu erstellen, klicken Sie auf Erzeugen in der oberen rechten Ecke.

Das ist alles! Jetzt können Sie sich diese Zusammenfassung jederzeit anhören.

Sie haben gesehen, wie einfach es ist, mit NotebookLM in nur wenigen einfachen Schritten Informationen aus jeder Datei zu extrahieren. Um mehr über NotebookLM zu erfahren, können Sie sich diesen Weblog ansehen: So verwenden Sie NotebookLM.

Öffnen Sie NotebookLMist ein weiteres ähnliches Instrument für RAG-Anwendungen. Es basiert auf Open-Supply-Modellen und wird auf HuggingFace gehostet. Auch mit diesem Instrument können Sie verschiedene Aufgaben erledigen, darunter das Erstellen von Zusammenfassungen und das Erstellen von Podcasts.

2. ChatPDF

ChatPDF ist ein KI-gestütztes Instrument, das Benutzern die Interaktion mit PDF-Dokumenten in einem Konversationsformat ermöglicht. Sie können eine PDF-Datei hochladen und Fragen stellen, um bestimmte Informationen daraus zu extrahieren, ohne das gesamte Dokument lesen zu müssen.

Sehen wir uns additionally an, wie ChatPDF funktioniert.

SCHRITT 1: Melden Sie sich an

Gehe zu ChatPDF und melden Sie sich mit Ihrem Gmail-Konto an, um Ihren Chat-Verlauf zu speichern.

SCHRITT 2: Laden Sie eine PDF-Datei hoch

Klicken Sie auf PDF ablegen in der Mitte des Bildschirms. Sie haben zwei Möglichkeiten: entweder Ihren Pc nach einer Datei durchsuchen oder einen URL-Hyperlink einfügen. Wählen Sie eines aus, um das entsprechende Dokument hochzuladen.

beliebtesten Werkzeuge für Lappenanwendungen

Ich habe zum Beispiel die hochgeladen „Aufmerksamkeit ist alles, was Sie brauchen.“‚ Papier. Sie können dieses Forschungspapier herunterladen und über die Possibility „Meinen Pc durchsuchen“ hochladen.

Nach dem Hochladen sehen Sie das Dokument auf der linken Seite des Bildschirms. Auf der rechten Seite erscheint die Possibility zum Chatten, wo Sie Ihre Fragen stellen können.

Dieses Instrument wird häufig von Studenten, Forschern und Fachleuten verwendet, die große Informationsmengen schnell und effizient verarbeiten müssen.

Einige ähnliche RAG-Instruments sind Fragen Sie nach Ihrem PDF, PDF.ai, ChatDocUnd Chatten. Sie arbeiten auch, indem sie relevante PDFs oder Dokumente hochladen und Fragen basierend auf dem bereitgestellten Dokument beantworten. Dies spart Profis viel Zeit und steigert ihre Produktivität.

3. HinweisGPT.io

NoteGPT.io ist ein vielseitiges KI-gestütztes Instrument, das das Lernen durch Funktionen wie Zusammenfassung, Notizen, Dokumenteninteraktion usw. verbessern soll.

Lassen Sie uns untersuchen, wie NoteGPT.io funktioniert:

SCHRITT 1: Melden Sie sich an

Gehen Sie zu https://notegpt.io/ und melden Sie sich mit Ihrem Gmail-Konto an.

SCHRITT 2: Dateien hochladen

Wählen Sie „Erstellen“ auf der linken Seite des Bildschirms. Ihnen werden drei Optionen angezeigt:

• URL: Sie können einen URL-Hyperlink von YouTube, Google Podcasts, Webseiten, Artikeln, On-line-PDFs, Phrase-Dokumenten, PPTs, Bildern, Audio- oder Videodateien einfügen.
• Hochladen: Wählen Sie eine Datei von Ihrem Desktop zum Hochladen aus.
• Textual content: Sie können den Textual content direkt kopieren und einfügen.

Wählen Sie die entsprechende Possibility und klicken Sie dann auf „Jetzt zusammenfassen“.

Ich habe zum Beispiel einen kostenlosen Kurslink zu einem verwendet generatives KI-Video von Analytics Vidhya, fügte den Hyperlink in den URL-Bereich ein und klickte auf „Jetzt zusammenfassen“.

Die Zusammenfassung des gesamten Movies erschien auf der rechten Seite des Bildschirms unter „AI Notes“.

SCHRITT 3: Stellen Sie eine Anfrage

Im AI-Chat-Bereich können Sie Fragen zur Datei stellen.

Dadurch können Sie mit Hilfe von NoteGPTi.o problemlos mit dem Videoinhalt interagieren.

Alle Dateien, die Sie hochgeladen oder verlinkt haben, finden Sie im Notizen Abschnitt.

Aufregend, oder? Mit diesen Instruments können Sie in kurzer Zeit problemlos auf diese umfangreichen Inhalte zugreifen.

Abschluss

RAG revolutioniert die Artwork und Weise, wie Modelle auf externes Wissen zugreifen und es nutzen, um kontextbezogene genaue Antworten zu liefern. Mit der Zunahme von RAG-Anwendungen steht nun eine Vielzahl von Instruments zur Verfügung, um die Entwicklung für verschiedene Anwendungsfälle zu optimieren. Instruments wie NotebookLM, ChatPDF und NoteGPT.io von Google ermöglichen Benutzern den Zugriff auf relevante Informationen aus großen Datensätzen und Dokumenten. Ganz gleich, ob Sie Inhalte zusammenfassen, mit Dateien interagieren oder Podcasts erstellen – diese RAforG-Instruments vereinfachen den Prozess der Erstellung effizienter, leistungsstarker KI-Modelle. Da sich die RAG-Landschaft weiter weiterentwickelt, werden immer mehr Instruments entstehen, die branchenübergreifend vielfältigere und komplexere Anwendungsfälle ermöglichen. Lasst uns abwarten und zuschauen!

Häufig gestellte Fragen

Der rasante Fortschritt der künstlichen Intelligenz (KI) hat zu einer neuen Ära von Modellen geführt, die darauf ausgelegt sind, Daten über mehrere Modalitäten hinweg zu verarbeiten und zu generieren. Dazu gehören Textual content, Bilder, Audio und Video. Diese multimodalen Modelle werden zunehmend in verschiedenen Anwendungen eingesetzt, von der Inhaltserstellung bis hin zu erweiterten Analysen. Dieser Artikel führt Sie in das Konzept multimodaler Modelle ein und vergleicht sieben der beliebtesten derzeit verfügbaren multimodalen Modelle (sowohl Open-Supply- als auch proprietäre Modelle). Es zeigt Ihnen, wann und wo Sie jedes Modell basierend auf seinen Funktionen, Anwendungsfällen, Zugänglichkeit und Kosten verwenden sollten.

Was sind multimodale Modelle?

Multimodale Modelle sind spezialisierte KI-Architekturen, die darauf ausgelegt sind, Daten aus verschiedenen Modalitäten zu verarbeiten und zu integrieren. Sie können Aufgaben wie das Generieren von Textual content aus Bildern, das Klassifizieren von Bildern anhand von beschreibendem Textual content und das Beantworten von Fragen ausführen, die sowohl visuelle als auch textliche Informationen beinhalten. Diese Modelle werden in der Regel an großen Datensätzen mit unterschiedlichen Datentypen trainiert, wodurch sie komplexe Beziehungen zwischen verschiedenen Modalitäten erlernen können.

Multimodale Modelle sind für Aufgaben, die ein kontextuelles Verständnis über verschiedene Formate hinweg erfordern, unverzichtbar geworden. Sie können beispielsweise Suchmaschinen verbessern, den Kundenservice durch Chatbots verbessern, die Generierung erweiterter Inhalte ermöglichen und bei Bildungstools helfen.

Erfahren Sie mehr: Erkundung der fortschrittlichen multimodalen generativen KI

Liste der 7 beliebtesten multimodalen Modelle

Die folgende Tabelle vergleicht die Modalitäten, Stärken, Kosten und andere Particulars der 7 beliebtesten derzeit verfügbaren multimodalen Modelle.

*Die genannten Preise sind auf dem Stand vom 21. Oktober 2024

Lassen Sie uns nun ihre Funktionen und Anwendungsfälle genauer untersuchen.

1. Lama 3,2 90B

Meta-KIs Lama 3.2 90B ist derzeit eines der fortschrittlichsten und beliebtesten multimodalen Modelle, die verwendet werden. Diese neueste Variante der Llama-Serie kombiniert Funktionen zum Befolgen von Anweisungen mit fortschrittlicher Bildinterpretation und deckt so ein breites Spektrum an Benutzeranforderungen ab. Das Modell wurde entwickelt, um Aufgaben zu erleichtern, die sowohl das Verständnis als auch die Generierung von Antworten auf der Grundlage multimodaler Eingaben erfordern.

Merkmale:

• Anweisungen folgen: Entwickelt für die Handhabung komplexer Benutzeranweisungen, die sowohl Textual content als auch Bilder umfassen.
• Hohe Effizienz: Kann große Datenmengen schnell verarbeiten und verbessert so seinen Nutzen in dynamischen Umgebungen.
• Robuste multimodale Interaktion: Integriert Textual content- und Bilddaten, um umfassende Antworten bereitzustellen.

Anwendungsfälle:

• Interaktive Lernplattformen: Hilft bei der Bereitstellung von Anweisungen und Erklärungen für komplexe visuelle Inhalte und macht das Lernen ansprechender.
• Technische Help-Anwendungen: Nützlich, um Benutzer mit einer Kombination aus Bildern und Schritt-für-Schritt-Anleitungen durch Fehlerbehebungsprozesse zu führen.

2. Gemini 1.5 Flash

Gemini 1.5 Flash ist Googles neuestes leichtes multimodales Modell, das Textual content, Bilder, Movies und Audio mit großer Geschwindigkeit und Effizienz verarbeiten kann. Aufgrund seiner Fähigkeit, umfassende Einblicke in verschiedene Datenformate zu liefern, eignet es sich für Anwendungen, die ein tieferes Verständnis des Kontexts erfordern.

Merkmale:

• Multimedia-Verarbeitung: Verarbeitet mehrere Datentypen gleichzeitig und ermöglicht so erweiterte Interaktionen.
• Konversationsintelligenz: Besonders effektiv bei Dialogen mit mehreren Runden, bei denen der Kontext früherer Interaktionen von entscheidender Bedeutung ist.
• Dynamische Antwortgenerierung: Erzeugt Antworten, die das Verständnis verschiedener Medieneingaben widerspiegeln.

Anwendungsfälle:

• Virtuelle Assistenten: Verbessert die Funktionalität intelligenter Assistenten, indem es ihnen ermöglicht, auf Anfragen zu reagieren, die sowohl Textual content als auch Bilder umfassen.
• Instruments zur Inhaltserstellung: Nützlich bei der Erstellung von Multimedia-Inhalten für soziale Medien oder Web sites, indem Textual content und Bildmaterial nahtlos kombiniert werden.

3. Florenz 2

Florenz 2 ist ein leichtes Modell von Microsoft, das hauptsächlich für Laptop-Imaginative and prescient-Aufgaben entwickelt wurde und gleichzeitig Texteingaben integriert. Seine Fähigkeiten ermöglichen die Durchführung komplexer Analysen visueller Inhalte. Dies macht es zu einem unschätzbar wertvollen Modell für Imaginative and prescient-Language-Anwendungen wie OCR, Untertitel, Objekterkennung, Instanzsegmentierung usw.

Merkmale:

• Starke visuelle Erkennung: Hervorragend darin, visuelle Inhalte zu identifizieren und zu kategorisieren und detaillierte Erkenntnisse zu liefern.
• Komplexe Abfrageverarbeitung: Verarbeitet Benutzeranfragen, die Textual content und Bilder effektiv kombinieren.

Anwendungsfälle:

• Automatisiertes Content material-Tagging: Optimiert die Verwaltung visueller Inhalte durch automatisches Taggen von Bildern basierend auf ihren Attributen.
• Visuelle Frage-Antwort-Systeme: Ermöglicht Benutzern, Fragen zu Bildern zu stellen und so informative und relevante Antworten zu generieren.

4. GPT-4o

GPT-4o ist eine optimierte Model von GPT-4, die auf Effizienz und Leistung bei der Verarbeitung von Textual content und Bildern ausgelegt ist. Seine Architektur ermöglicht schnelle Reaktionen und qualitativ hochwertige Ausgaben, was ihn zur bevorzugten Wahl für verschiedene Anwendungen macht.

Merkmale:

• Optimierte Leistung: Höhere Verarbeitungsgeschwindigkeiten ohne Einbußen bei der Ausgabequalität, geeignet für Echtzeitanwendungen.
• Multimodale Fähigkeiten: Behandelt effektiv eine Vielzahl von Abfragen, die sowohl Textual content- als auch visuelle Daten umfassen.

Anwendungsfälle:

• Kundenbindungsplattformen: Verbessert die Interaktion durch die Bereitstellung sofortiger und relevanter Antworten basierend auf Benutzereingaben.
• Assistenten für kreatives Schreiben: Unterstützt Autoren durch die Generierung von Ideen und Erzählungen, die mit den bereitgestellten Bildern übereinstimmen.

5. Claude 3.5

Claude 3.5 ist ein von Anthropic entwickeltes multimodales Modell, das sich auf ethische KI und sichere Interaktionen konzentriert. Dieses Modell kombiniert Textual content- und Bildverarbeitung und stellt dabei die Sicherheit und Zufriedenheit der Benutzer in den Vordergrund. Es ist in drei Größen erhältlich: Haiku, Sonnet und Opus.

Merkmale:

• Sicherheitsprotokolle: Entwickelt, um schädliche Ergebnisse zu minimieren und sicherzustellen, dass die Interaktionen konstruktiv bleiben.
• Menschenähnliche Interaktionsqualität: Der Schwerpunkt liegt auf der Schaffung natürlicher, ansprechender Antworten, sodass es für ein breites Publikum geeignet ist.
• Multimodales Verständnis: Integriert Textual content und Bilder effektiv, um umfassende Antworten zu geben.

Anwendungsfälle:

• Bildungsplattformen: Bietet Suggestions zur visuellen Arbeit, hilft den Lernenden, sich zu verbessern und sorgt gleichzeitig für eine sichere Umgebung.
• Inhaltsmoderation: Hilft beim Filtern unangemessener Inhalte, indem es sowohl Textual content- als auch visuelle Eingaben versteht.

6. LLaVA V1.5 7B

LLaVA (Massive Language and Imaginative and prescient Assistant) ist ein fein abgestimmtes Modell. Es nutzt die visuelle Instruktionsoptimierung, um die bildbasierte, natürliche Instruktionsbefolgung und die Fähigkeit zum visuellen Denken zu unterstützen. Aufgrund seiner geringen Größe eignet es sich für interaktive Anwendungen wie Chatbots oder virtuelle Assistentendie eine Interaktion mit den Benutzern in Echtzeit erfordern. Seine Stärken liegen in der gleichzeitigen Verarbeitung von Textual content, Audio und Bildern.

Merkmale:

• Echtzeit-Interaktion: Bietet sofortige Antworten auf Benutzeranfragen und sorgt dafür, dass sich Gespräche natürlicher anfühlen.
• Kontextbewusstsein: Besseres Verständnis von Benutzerabsichten, die verschiedene Datentypen kombinieren.
• Visuelle Beantwortung von Fragen: Identifiziert Textual content in Bildern durch optische Zeichenerkennung (OCR) und beantwortet Fragen basierend auf dem Bildinhalt.

Anwendungsfälle:

• Bildunterschrift: Hilft bei der Erstellung von Textbeschreibungen für Bilder, sodass sehbehinderte Benutzer den Inhalt von Bildern leichter verstehen können.
• Multimodale Dialogsysteme: Hilft Kundendienst-Chatbots, Gespräche mit Kunden zu führen und Textual content- und visuelle Fragen zu Produkten zu beantworten.

7. DALL·E 3

Offene KIs DALL·E 3 ist ein leistungsstarkes Bildgenerierungsmodell, das Textbeschreibungen in lebendige und detaillierte Bilder übersetzt. Dieses Modell ist bekannt für seine Kreativität und seine Fähigkeit, nuancierte Eingabeaufforderungen zu verstehen, sodass Benutzer Bilder erstellen können, die ihrer Vorstellungskraft am nächsten kommen.

Merkmale:

• Textual content-zu-Bild-Generierung: Wandelt detaillierte Eingabeaufforderungen in einzigartige Bilder um und bietet so umfangreiche kreative Möglichkeiten.
• Inpainting-Funktionalität: Benutzer können vorhandene Bilder ändern, indem sie Änderungen im Textual content beschreiben, was Flexibilität bei der Bildbearbeitung bietet.
• Fortgeschrittenes Sprachverständnis: Der Kontext und die Feinheiten der Sprache werden besser verstanden, was zu genaueren visuellen Darstellungen führt.

Anwendungsfälle:

• Marketingkampagnen: Unternehmen können schnell maßgeschneiderte Visuals für Anzeigen erstellen, ohne dass dafür Kenntnisse im Bereich Grafikdesign erforderlich sind.
• Konzeptkunsterstellung: Künstler können das Modell zum Brainstorming von Ideen und zur Visualisierung von Konzepten nutzen und so den kreativen Prozess beschleunigen.

Abschluss

Multimodale Modelle erweitern die Grenzen der KI, indem sie verschiedene Arten von Daten integrieren, um immer komplexere Aufgaben auszuführen. Von der Kombination von Textual content und Bildern bis hin zur Analyse von Echtzeitvideos mit Audio eröffnen diese Modelle neue Möglichkeiten in Branchen wie dem Gesundheitswesen, der Erstellung von Inhalten und der virtuellen Realität.

In diesem Artikel haben wir die Funktionen und Anwendungsfälle von 7 beliebten multimodalen KI-Modellen untersucht. Die Auswahl des richtigen Modells hängt jedoch von der konkreten Aufgabenstellung ab. Ob Sie Bilder generieren, vielfältige Dateneingaben analysieren oder Movies in Echtzeit optimieren, es gibt ein darauf spezialisiertes multimodales Modell. Mit der Weiterentwicklung der KI werden multimodale Modelle mehr Datentypen für komplexere und vielfältigere Anwendungsfälle umfassen.

Erfahren Sie mehr: Welche Zukunft erwartet Sie mit multimodaler KI?

Häufig gestellte Fragen